lolo机器学习库的python包装器
lolop的Python项目详细描述
lolo的python包装器
===
``lolopy``实现了一个python接口到'lolo machine learning
library<；https://github.com/citrineinformatics/lolo>；``uuuu.
lolo是一个scala库，包含各种机器学习算法特别关注提供稳健的不确定性估计的算法。`` lolopy``允许访问这些算法作为
scikit学习兼容接口，并自动管理python和jvm之间的
接口（即，您可以使用``lolopy``
，而不必知道它在jvm上运行）
PYPI上提供。通过调用安装它：
BR/>"PIP安装Loope'"
BR/>使用"LoLope`"，您还需要在您的
系统上安装Java JRE和Gt＝1.8。'LoLopy' pypy包包含编译后的‘洛洛’BR/>库，安装后即可使用。BL/>开发
~~~~~~~~~~~~~~~BR/> BR/> LoLopy需要Python & Gt＝3.6，JavaJDK& Gt＝1.8，在开发LoLopy时安装在系统上。开发"lolopy"，使用
maven在系统上编译"lolo"。我们提供了一个"makefile"，其中包含所需的
操作。要在此
目录中构建并安装"lolopy"call"make"。
use
--
`randomForestRegressor``类最清楚地演示了
``lololopy``的用法。该类基于"Wagner et
al<；http://jmlr.org/papers/volume15/wager14a/wager14a.pdf>；` ` ` `基于不确定性估计的随机森林，有效地-
使用森林中不同树木之间的方差来生成不确定性估计每一个预言。使用这个
算法就像使用'randomForestRegressor from
scikit learn<；https://scikit learn.org/stable/modules/generated/sklearn.ensemble.randomForestRegressor.html>；`：
代码：：python
from lolopy。学习者导入randomforestressor
y_pred，y_std=rf.predict（x，return_std=true）
此代码的结果是生成预测值（``y_pred```）
NTIES（``Y`U STD``）.
有关更多示例和
详细信息，请参阅```Examples`<；/Examples>；``文件夹。
在较大的数据集大小上使用它时，可能需要增加``LoLopy`
可用的内存量。设置运行机器学习计算的jvm的最大内存
可以通过设置"lolopy\ujvm\u memory"环境变量来实现。"lolopy jvm_memory"的
值用于设置jvm的最大堆大小（有关
详细信息，请参见"Oracle的文档"<；https://docs.oracle.com/cd/e21764_01/web.1111/e13814/jvm_tuning.htm perfm164>；````````````````````.
im实现和性能
----------
``lolopy``是使用'py4j<；https://www.py4j.org/>；``库
与lolo scala库接口构建的。PY4J提供了
轻松管理JVM服务器、在JVM中创建Java对象的能力，并从Python调用
Java方法。然而，py4j在
传输大型
数组<；https://github.com/bartdag/py4j/issues/159>；``方面的性能很慢。为了在模型
训练或评估之前将
特征数组（例如，训练数据）传递给JVM，我们将数据转换到/BR/Java和Python侧的字节数组。将数据转换为字节数组确实允许在JVM和Python之间快速移动数据，但需要立即在内存中保存3个数据拷贝（Python、Java字节数组和Java数字数组）。我们可以通过将字节数组
分块传递来减少内存使用，但这目前还没有实现。ted.
我们的模型训练性能与scikit learn相当，如下图所示。图中的蓝色阴影区域表示将培训数据传递给jvm所需的时间。我们注意到
对于大于100的训练集，使用scala接口
lolo和"lolopy"的训练时间是相等的。
图：：/示例/配置文件/训练性能.png
：alt:训练性能
模型计时在1000个数据集（包含145个特征）上进行评估。
模型性能随训练集大小的降低是由于林中
树的数量等于训练集大小的影响。lolopy和
lolo对于训练集大小大于100的模型具有相似的性能。在训练集大小为100的情况下，发送数据的成本会限制"lolopy"的性能。图：：./示例/profile/evaluation performance.png
：alt:evaluation performance
evaluation performance
有关更多详细信息，请参阅"基准测试"笔记本<；/examples/profile/scaling test.ipynb>；`
===
``lolopy``实现了一个python接口到'lolo machine learning
library<；https://github.com/citrineinformatics/lolo>；``uuuu.
lolo是一个scala库，包含各种机器学习算法特别关注提供稳健的不确定性估计的算法。`` lolopy``允许访问这些算法作为
scikit学习兼容接口，并自动管理python和jvm之间的
接口（即，您可以使用``lolopy``
，而不必知道它在jvm上运行）
PYPI上提供。通过调用安装它：
BR/>"PIP安装Loope'"
BR/>使用"LoLope`"，您还需要在您的
系统上安装Java JRE和Gt＝1.8。'LoLopy' pypy包包含编译后的‘洛洛’BR/>库，安装后即可使用。BL/>开发
~~~~~~~~~~~~~~~BR/> BR/> LoLopy需要Python & Gt＝3.6，JavaJDK& Gt＝1.8，在开发LoLopy时安装在系统上。开发"lolopy"，使用
maven在系统上编译"lolo"。我们提供了一个"makefile"，其中包含所需的
操作。要在此
目录中构建并安装"lolopy"call"make"。
use
--
`randomForestRegressor``类最清楚地演示了
``lololopy``的用法。该类基于"Wagner et
al<；http://jmlr.org/papers/volume15/wager14a/wager14a.pdf>；` ` ` `基于不确定性估计的随机森林，有效地-
使用森林中不同树木之间的方差来生成不确定性估计每一个预言。使用这个
算法就像使用'randomForestRegressor from
scikit learn<；https://scikit learn.org/stable/modules/generated/sklearn.ensemble.randomForestRegressor.html>；`：
代码：：python
from lolopy。学习者导入randomforestressor
y_pred，y_std=rf.predict（x，return_std=true）
此代码的结果是生成预测值（``y_pred```）
NTIES（``Y`U STD``）.
有关更多示例和
详细信息，请参阅```Examples`<；/Examples>；``文件夹。
在较大的数据集大小上使用它时，可能需要增加``LoLopy`
可用的内存量。设置运行机器学习计算的jvm的最大内存
可以通过设置"lolopy\ujvm\u memory"环境变量来实现。"lolopy jvm_memory"的
值用于设置jvm的最大堆大小（有关
详细信息，请参见"Oracle的文档"<；https://docs.oracle.com/cd/e21764_01/web.1111/e13814/jvm_tuning.htm perfm164>；````````````````````.
im实现和性能
----------
``lolopy``是使用'py4j<；https://www.py4j.org/>；``库
与lolo scala库接口构建的。PY4J提供了
轻松管理JVM服务器、在JVM中创建Java对象的能力，并从Python调用
Java方法。然而，py4j在
传输大型
数组<；https://github.com/bartdag/py4j/issues/159>；``方面的性能很慢。为了在模型
训练或评估之前将
特征数组（例如，训练数据）传递给JVM，我们将数据转换到/BR/Java和Python侧的字节数组。将数据转换为字节数组确实允许在JVM和Python之间快速移动数据，但需要立即在内存中保存3个数据拷贝（Python、Java字节数组和Java数字数组）。我们可以通过将字节数组
分块传递来减少内存使用，但这目前还没有实现。ted.
我们的模型训练性能与scikit learn相当，如下图所示。图中的蓝色阴影区域表示将培训数据传递给jvm所需的时间。我们注意到
对于大于100的训练集，使用scala接口
lolo和"lolopy"的训练时间是相等的。
图：：/示例/配置文件/训练性能.png
：alt:训练性能
模型计时在1000个数据集（包含145个特征）上进行评估。
模型性能随训练集大小的降低是由于林中
树的数量等于训练集大小的影响。lolopy和
lolo对于训练集大小大于100的模型具有相似的性能。在训练集大小为100的情况下，发送数据的成本会限制"lolopy"的性能。图：：./示例/profile/evaluation performance.png
：alt:evaluation performance
evaluation performance
有关更多详细信息，请参阅"基准测试"笔记本<；/examples/profile/scaling test.ipynb>；`
欢迎加入QQ群-->： 979659372
